Login
- Originaltitel:
- Deep Learning for Cloud Removal in Spaceborne Earth Observation
- Übersetzter Titel:
- Machinelles Lernen zur Wolkenentfernung in der satellitengestützten Erdbeobachtung
- Autor:
- Ebel, Patrick
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Zhu, Xiaoxiang (Prof. Dr. habil.)
- Gutachter:
- Zhu, Xiaoxiang (Prof. Dr. habil); Schmitt, Michael (Prof. Dr. habil.); Schindler, Konrad (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- TEC Technik, Ingenieurwissenschaften (allgemein)
- Stichworte:
- satellite observation, Earth observation, cloud removal, image reconstruction
- Übersetzte Stichworte:
- Satellitenbeobachtung, Erdbeobachtung, Wolkenentfernung, Bildrekonstruktion
- TU-Systematik:
- BAU 967; MSR 915
- Kurzfassung:
- The natural occurrence of clouds poses a persistent obstacle for optical satellites to seamlessly observe Earth. This thesis promotes a better reconstruction of optical satellite images via: First, by investigating the practical impact of clouds on established remote sensing use cases. Second, two data sets are curated and neural networks proposed for mono- and multi-temporal cloud removal. Finally, a model to quantify the uncertainty of the reconstructed images at inference time is proposed.
- Übersetzte Kurzfassung:
- Wolken stellen ein Hindernis für optische Satelliten dar, die Erde nahtlos zu beobachten. Diese Dissertation erarbeitet die Rekonstruktion von optischen Satellitenbildern. Zuerst werden die Auswirkungen von Wolken auf Anwendungen der Fernerkundung untersucht. Zweitens werden zwei Datensätze kuratiert und neuronale Netze für die mono- und multitemporale Wolkenentfernung vorgeschlagen. Schließlich wird ein Modell zur Quantifizierung der Unsicherheit der rekonstruierten Bilder vorgeschlagen.
- WWW:
- https://mediatum.ub.tum.de/?id=1708626
- Eingereicht am:
- 16.05.2023
- Mündliche Prüfung:
- 25.09.2023
- Dateigröße:
- 70582823 bytes
- Seiten:
- 163
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20231010-1708626-1-8
- Letzte Änderung:
- 02.11.2023
BibTeX
Vorkommen:
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenFachgebietMeßtechnik, Steuerungs- und Regelungstechnik, Automation
- mediaTUM GesamtbestandElektronische PrüfungsarbeitenFachgebietTechnik, Ingenieurwissenschaften (allgemein)
- mediaTUM GesamtbestandEinrichtungenSchools TUM School of Engineering and DesignPrüfungsarbeitenDissertationen